降雨条件下某排土边坡的渗流场及稳定性时变分析

现阶段对排土边坡稳定性评价多以单因素等雨强为主,较难全面反映实际情况。针对此问题,以福建某排土边坡为例,通过Geo-studio软件对排土边坡进行不同雨强以及不同雨型条件下安全系数的时变分析,得出安全系数随时间变化曲线,并对排土坡稳定性产生较明显影响的雨强进行渗流场特性分析。时变分析结果表明,持续长时间的降雨会对边坡稳定性产生影响。降雨强度超过一定数值时,降雨的初始时刻安全系数下降速率主要取决于边坡自身渗透速率,在降雨中后期随着入渗速率的稳定,雨强又变成影响安全系数下降速率的主导因素。渗流特性分析结果表明,长时间的强降雨会引起坡脚处渗流方向的改变并在坡脚处出现溢出面,加上排土坡表层废石土较大渗透性的特点有可能形成管涌,应当引起重视。最后提出在废石土表层覆土压实以降低废石土的渗透性从而提高排土坡体稳定性的建议。更多还原     

台风暴雨条件下福建某滑坡体的渗流稳定性分析

福建地处我国东南沿海地区,每年台风暴雨季期间都会有大量的滑坡发生。为研究已产生滑动带的滑坡体在强降雨条件下的渗流及稳定性变化,采用Seep与Slope软件对福建德华马坪滑坡进行了渗流场的模拟和稳定性的计算,得出了渗流场及稳定性的变化规律。结果显示:对于已存在有滑动带的马坪滑坡,坡顶区域范围内的雨水入渗已成为控制该滑坡体稳定性的关键因素。坡体的稳定性在降雨结束后的第一天最低,之后坡体的稳定性逐渐提高。其结果真实的反映了滑体稳定性现状和规律,最后提出了相关的治理措施。更多还原     

某含软弱夹层花岗岩残积土边坡稳定性研究

福建省地处中国东南沿海地区,花岗岩残积土分布较为集中。花岗岩残积土边坡存在较为发育的微裂隙结构面和一些软弱岩脉风化而成的软弱夹层,由于风化作用、降雨和地下水渗入等外界环境影响,裂隙中的填充物泥化和膨胀,结构面的抗剪强度迅速下降,形成软弱夹层,造成边坡失稳破坏。以某含软弱夹层花岗岩残积土边坡为例,建立有限元数值模型对该边坡的变形特征进行研究,发现直接开挖后沿软弱夹层将发生较大的相对滑动,最大水平位移达22 cm,同时表明软弱夹层的存在不仅造成了边坡总体变形的增大,还决定了边坡失稳破坏时滑动面的位置。研究成果可为此类含软弱夹层的残积土边坡的设计、施工和治理提供借鉴和参考。更多还原     

市政道路水泥混凝土路面病害处理分析

现代城市道路路面结构以水泥混凝土居多,城市道路路面安全受到多种因素的影响,一旦发生城市路面病害现象将直接影响人们的正常生产生活秩序,保障城市道路安全畅通是一项关系各方利益的重要工作,本文针对市政道路水泥混凝土路面病害的处理问题进行分析探讨。     

基于元学习的变工况轴承故障诊断研究

针对实际工况下电机轴承振动信号包含强噪声以及故障样本少导致其故障诊断精度低的问题，提出一种由数据重构(data reconstruction, DR)与判别空间优化(discriminant space optimization, DSO)相结合的集合型轴承故障诊断方法(DR-MLDSO),该方法包含数据重构和元学习两个阶段。首先，将不同负载下的原始一维数据进行重构，减少噪声，提取隐藏在原始数据中的有用信息；然后，构造特征提取器和判别空间优化器，对特征判别空间进行优化，提高其容错能力，以利于元学习。实验结果表明，本文提出的DR-MLDSO方法有效提高了模型在有限训练样本下的学习能力，增强了不同工况下轴承故障诊断的适应性，提升了故障诊断精度，具有较好的泛化能力。     

台风暴雨条件下高台阶排土场边坡可靠度分析

台风暴雨是诱发边坡失稳的重要因素。为探讨暴雨作用下高台阶排土场稳定性计算方法,引入可靠度理论进行分析。通过对影响排土场边坡稳定性的不确定因素分析,建立排土场边坡可靠度分析流程。以福建龙岩某铁矿排土边坡为实例,对排土边坡强度参数进行敏感度分析,得出内摩擦角φ的敏感度>内聚力c敏感度;以降雨强度为60 mm/d持续降雨72 h排土边坡可靠度指标的求解为例,对排土场边坡的稳定性进行可靠度分析。结果表明,此时排土场边坡可靠度指标为6.054,破坏概率为0。根据《有色金属矿山排土场设计规范》以1.12为设计安全系数,排土边坡失稳概率为29.63%,相应的安全概率为70.37%。更多还原     

无线传感器网络RCF-MAC协议研究

射频充电（ RFC）技术是一种通过基站发射射频电波为传感器节点补充电量的新兴技术。但在RFC无线传感器网络中,多基站同时发射能量时产生的能量干涉衰减现象会明显降低充电效率,此外,能量传输与数据通信共享信道会降低整个网络的吞吐量。针对上述问题,提出了RFC—MAC协议,为提高充电效率,将请求充电传感器节点周围的基站按距离分为两组,两组基站分时能量传输,以避免能量干涉衰减现象;传感器网络中设双信道,分别用于能量传输与数据通信,以提高网络的吞吐量。仿真结果表明：RFC—MAC协议显著提高了传感器节点的充电效率和平均网络吞吐量。     

基于ECAMTL模型的小样本变工况轴承故障诊断

为解决小样本变工况轴承故障诊断中故障诊断模型参数多且泛化性能弱、故障诊断率低、诊断速度慢的问题，提出了将高效通道注意力(Efficient Channel Attention, ECA)机制与元迁移学习(Meta Transfer Learning, MTL)相结合的在线故障诊断方法。首先，将不同工况的原始振动信号转化为二维灰度图像，采用改进后的残差网络作为特征提取器进行特征提取。在不提升模型复杂度的情况下，增强了模型对重要特征的关注度，增强了模型的特征提取能力。之后，将提取到的特征与现场数据结合进行元训练，获得训练参数。最后，在元测试阶段，利用不同工况的元学习任务对模型进行微调，实现在线变工况轴承故障诊断。对比实验验证了本文方法的有效性和泛化能力。     

基于MTLSAM模型的小样本变工况轴承故障诊断

为了解决小样本条件下的变工况轴承故障诊断的困难，提出了一种基于元迁移学习(meta transfer learning)与自注意力机制(self-attention mechanism)结合的方法MTLSAM。首先，将不同工况的原始振动信号转换为灰度图像，利用所有工况的数据训练特征提取模块的参数；其次，根据元学习方法对数据集进行随机采样，形成元学习任务。该元训练过程中，利用已知工况下的多个元学习任务，训练元模型的参数；最后，在元测试阶段，利用不同工况的元学习任务对模型进行微调实现变工况的准确诊断。实验证明，所提出的MTLSAM在小样本条件下能够较好地实现变工况故障诊断，并且具有较好的泛化能力。